CB2CF: A Neural Multiview Content-to-Collaborative Filtering Model for Completely Cold Item Recommendations
Microsoft（微软）；Tel Aviv University（特拉维夫大学）；Technion（以色列理工学院）
在推荐系统的研究中，推荐算法通常被描述为协同过滤（CF）或基于内容（CB）。CF算法使用用户偏好的数据集进行训练，而CB算法通常基于项目配置文件。这些方法利用不同的数据源，因此产生的推荐项目通常非常不同。本文介绍了CB2CF，一种深度神经多视图模型，作为从项目内容到其CF表示的桥梁。CB2CF是一种真实世界的算法，专为处理全球约10亿用户的Microsoft Store服务而设计。CB2CF在电影和应用程序推荐上进行了演示，在完全冷的项目上，它的表现优于另一种CB模型。
2019-09-21 cs.CL cs.IR cs.LG
Collaborative filtering via sparse Markov random fields
Center for Pattern Recognition and Data Analytics（模式识别与数据分析中心）；Deakin University（迪肯大学）
推荐系统在提供个性化的信息和服务方面发挥着核心作用。本文重点介绍了协同过滤，一种方法，利用共享结构之间的头脑喜欢的用户和类似的项目。特别是，我们专注于一个正式的概率框架称为马尔可夫随机场（MRF）。我们解决了结构学习的开放问题，并引入了稀疏诱导算法来自动估计用户之间和项目之间的交互结构。项目-项目和用户-用户相关网络作为副产品获得。在电影推荐和日期匹配数据集上的大规模实验证明了该方法的有效性。
2016-02-09 cs.IR cs.LG stat.ML
Assessing the Impact of a User-Item Collaborative Attack on Class of Users
Polytechnic University of Bari（巴里理工大学）
协同过滤（CF）模型由于其最先进的准确性而成为大多数推荐系统的核心。它们通常用于电子商务和在线服务，因为它们对销售量和/或多样性的影响，以及它们对公司结果的影响。然而，CF模型的好坏取决于它们所处理的交互数据。由于这些模型依赖于外部信息源，攻击者可以注入诸如用户评级或评论之类的伪造数据，以操纵底层数据并改变所产生的建议的影响，从而实施所谓的先令攻击。虽然以前的作品都集中在评估先令攻击策略，从全球的角度特别注意攻击的大小和攻击者的知识的影响，在这项工作中，我们探讨了新的方面下的先令攻击的有效性。首先，我们研究了攻击策略对目标用户的影响，以将低排名项目的推荐推到更高的位置，称为用户项目攻击。其次，我们通过考虑目标用户的类别，从她的个人资料丰富性的角度（即，冷vs.暖用户）。最后，与以前的工作类似，我们考虑了攻击的大小（即，注入的假简档的量）来检查它们的成功。在商业和电影领域中广泛使用的两个数据集，即Yelp和MovieLens上的实验结果表明，温暖和寒冷的用户在具有不同特征的数据集中表现出对比鲜明的行为。
2019-08-21 cs.CR cs.IR cs.LG
Sequential Item Recommendation in the MOBA Game Dota 2
University of Würzburg（维尔茨堡大学）
多人在线竞技场（MOBA）游戏，如Dota 2，每年吸引数十万玩家。尽管玩家基数很大，但吸引新玩家仍然很重要，以防止游戏社区变得不活跃。然而，进入MOBA游戏通常要求很高，需要玩家同时学习许多技能。成功的一个重要因素是购买正确的物品，这取决于各种游戏因素，如已经购买的物品，团队组成或可用资源。推荐系统可以通过减少选择合适物品所需的脑力劳动来支持玩家，例如，新的球员或球员返回游戏后，较长的休息时间，专注于游戏的其他方面。由于顺序项目推荐（SIR）已被证明在各个领域（例如电子商务、电影推荐或播放列表延续）都是有效的，因此我们将探讨知名的SIR模型在Dota 2购买推荐环境中的适用性。为了促进这项研究，我们收集、分析和发布了Dota-350 k，这是一个基于最近Dota 2比赛的新的大型数据集。我们发现SIR模型可以有效地用于Dota 2中的项目推荐。我们的研究结果表明，考虑购买顺序的模型是最有效的。与其他领域相比，我们发现基于RNN的模型在Dota-350 k上的性能优于最近基于Transformer的架构。
2022-01-17 cs.IR cs.LG
Bilateral Self-unbiased Learning from Biased Implicit Feedback
Sungkyunkwan University（成均馆大学）；Google Research（谷歌研究院）；Seoul National University（首尔国立大学）
隐式反馈已被广泛用于商业推荐系统的构建。因为观察到的反馈代表用户的点击日志，所以在真实相关性和观察到的反馈之间存在语义鸿沟。更重要的是，观察到的反馈通常偏向于流行项目，从而高估了流行项目的实际相关性。虽然现有的研究已经开发出无偏的学习方法，使用逆倾向加权（IPW）或因果推理，他们只专注于消除项目的流行性偏见。在本文中，我们提出了一种新的无偏推荐学习模型，即双边SElf-unbiased推荐（BISER），以消除由推荐模型造成的项目曝光偏差。具体来说，BISER由两个关键组成部分组成：（i）自逆倾向加权（SIPW），以逐渐减轻项目的偏差，而不会产生高计算成本;以及（ii）双边无偏学习（BU），以弥合模型预测中两个互补模型之间的差距，即，基于用户和项目的自动编码器，缓解SIPW的高方差。大量的实验表明，BISER始终优于国家的最先进的无偏推荐模型在几个数据集，包括大衣，雅虎！R3、MovieLens和CiteULike。
2022-07-26 cs.IR cs.LG
Time Will Tell: Harness Time to Denoise Collaborative Filtering
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Amazon（亚马逊公司）
针对隐式反馈中噪声交互影响推荐性能的问题，提出DeBaTeR方法，利用时间感知嵌入并通过重新加权邻接矩阵和损失函数两种策略对二部时序图去噪，显著提升模型性能与鲁棒性。
2026-11-02 cs.AI cs.IR cs.LG
$C^3DRec$: Cloud-Client Cooperative Deep Learning for Temporal Recommendation in the Post-GDPR Era
Peking University（北京大学）
移动设备使用户能够随时随地检索信息。考虑到移动用户的临时需求和碎片化使用模式，提出了基于用户短期交互行为的时态兴趣学习方法，以提高移动设备上信息检索的效率.然而，隐私保护法律法规的实施，如GDPR，可能会使临时推荐的成功实践黯然失色。原因在于，现有的推荐系统需要在集中式服务器中收集和处理用户数据，但是用于临时推荐的交互行为数据通常是非事务性数据，根据GDPR，在没有用户的明确许可的情况下不允许收集这些数据。因此，如果用户不允许服务收集他们的交互行为数据，时间推荐就无法工作。为实现后GDPR时代的时态推荐，提出了一种基于云-客户端协同的深度学习框架$C^3DRec$，用于在保护用户隐私的同时挖掘交互行为进行推荐。$C^3DRec$使用GDPR之前收集的数据在集中式服务器上构建全局推荐模型，并使用GDPR之后收集的数据直接在各个本地设备上微调模型。我们设计了两种模式来完成推荐，即拉模式，其中候选项目被拉到设备上，并送入本地模型，以获得推荐项目，推模式，其中本地模型的输出推到服务器上，并与候选项目相结合，以获得推荐项目。评估结果表明，$C^3DRec$实现了类似的推荐精度集中的方法，以最小的隐私问题。
2021-01-13 cs.CR cs.IR cs.LG
Managing multi-facet bias in collaborative filtering recommender systems
K. N. Toosi University of Technology（卡努西科技大学）；Institute for Research in Fundamental Sciences (IPM)（基础科学研究所（IPM））
随着网络信息的广泛增长，推荐系统在服务于人们的兴趣方面发挥着越来越重要的作用。传统的推荐系统大多使用以准确性为中心的方法来产生推荐。今天的研究表明，这种单维度的方法可能会导致系统对一系列具有某些属性的项目产生偏见。跨项目组的有偏见的推荐可能危及项目提供者的利益，同时引起用户对系统的不满。本研究的目的是管理一种新的类型的交叉偏见的地理来源和流行的项目在国家的最先进的协同过滤推荐算法的输出。我们引入了一种称为MFAIR的算法，这是一种多方面的后处理偏差缓解算法，可以减轻这些偏差。在两个真实世界的电影和书籍数据集上进行的大量实验表明，该算法在准确性和两种类型的偏差之间取得了合理的平衡。根据结果，我们提出的方法优于一个著名的竞争对手没有或只有轻微的效率损失。
2023-02-21 cs.IR cs.LG
A Language-Driven Framework for Improving Personalized Recommendations: Merging LLMs with Traditional Algorithms
University of North Florida（北弗罗里达大学）
本研究提出一个语言驱动框架，通过LLM优化SVD/SVD++算法输出并融合用户文本偏好，在多项指标上大幅提升电影推荐性能。
2025-07-09 cs.CL cs.IR cs.LG
Neural Representations in Hybrid Recommender Systems: Prediction versus Regularization
Rakuten Institute of Technology, Rakuten, Inc.（乐天株式会社乐天技术研究院）
基于自动编码器的混合推荐系统最近变得流行，因为它们能够通过重构各种信息源来学习用户和项目表示，包括用户对项目的反馈（例如，评级）以及用户和项目的辅助信息（例如，用户的职业和项目的标题）。然而，现有的系统仍然使用通过矩阵分解（MF）学习的表示来预测评级，同时使用通过神经网络学习的表示作为正则化器。在本文中，我们定义了神经表示预测（NRP）框架，并将其应用于自动编码器为基础的推荐系统。我们从理论上分析了我们的目标函数与以前的MF和基于自动编码器的方法的关系，并解释了使用神经表示作为正则化器意味着什么。我们还将NRP框架应用到一个直接的神经网络结构中，该结构可以在不重建用户和项目信息的情况下预测评级。我们在两个MovieLens数据集和两个真实世界的电子商务数据集上进行了广泛的实验。结果证实，神经表示比正则化更适合预测，并显示NRP框架与直接神经网络结构相结合，在预测任务中优于最先进的方法，具有更少的训练时间和记忆。
2020-10-12 cs.IR cs.LG
Beyond Labels: Leveraging Deep Learning and LLMs for Content Metadata
Tubi
本文提出“类型光谱”方法，利用深度学习捕捉电影标题中的细微类型信息，并探讨LLM增强内容元数据以优化推荐系统二维首页网格的组织效果。
2023-09-15 cs.IR cs.LG
User Preferences for Large Language Model versus Template-Based Explanations of Movie Recommendations: A Pilot Study
UNamur（那慕尔大学）；ULB-UMONS（布鲁塞尔自由大学-蒙斯大学）；UCLouvain（鲁汶大学）；UMONS（蒙斯大学）；Multitel-UNamur（Multitel-那慕尔大学）；Multitel
本文通过25人试点研究比较电影推荐中模板解释、LLM改写解释和纯LLM解释，发现LLM解释虽方差较高，但可能更丰富、更吸引用户并符合其期望。
2024-09-10 cs.HC cs.IR cs.LG
Review Based Rating Prediction
Ben-Gurion University（本·古里安大学）
推荐系统是当今电子商务应用中的重要单元，如定向广告、个性化营销和信息检索等。近年来，上下文信息的重要性激发了根据用户的可用上下文信息生成个性化推荐。与传统的主要利用用户评分历史的推荐系统相比，基于评论的推荐系统有望为用户提供更相关的推荐结果。我们介绍了一种基于评论的推荐方法，通过挖掘用户评论来获得上下文信息。所提出的方法涉及通过使用在自然语言处理（NLP）和信息检索学科中开发的方法来分析文本评论以计算给定项目的效用函数而获得的特征。项目效用是一种衡量标准，它显示了根据用户当前上下文，它有多受欢迎。在我们的系统中，上下文推理建模为用户评论历史和项目评论历史之间的相似性。作为一个示例应用，我们使用我们的方法从客户的电影评论中挖掘上下文数据，并使用它来生成基于评论的评级预测。预测的评级可以生成基于项目的建议，并且应该出现在产品页面中的推荐项目列表中。我们的评估表明，与标准预测方法相比，我们的系统可以帮助产生更好的预测评分。
2016-07-28 cs.IR cs.LG
Joint Deep Modeling of Users and Items Using Reviews for Recommendation
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
大量的信息存在于用户撰写的评论中。这种信息源被大多数当前的推荐系统所忽略，但它可以潜在地缓解稀疏性问题并提高推荐质量。在本文中，我们提出了一个深度模型，从评论文本中联合学习项目属性和用户行为。提出的模型，命名为深度合作神经网络（DeepCoNN），由两个并行的神经网络耦合在最后一层。其中一个网络专注于利用用户撰写的评论来学习用户行为，另一个网络则从为项目撰写的评论中学习项目属性。在顶部引入共享层以将这两个网络耦合在一起。共享层使得为用户和项目学习的潜在因子能够以类似于因子分解机器技术的方式彼此交互。实验结果表明，DeepCoNN在各种数据集上的性能明显优于所有基线推荐系统。
2017-01-17 cs.IR cs.LG
Expressive recommender systems through normalized nonnegative models
Massachusetts Institute of Technology（麻省理工学院）
我们引入归一化非负模型（NNM）的探索性数据分析。NNM是概率论模型的部分凸化。并以项目推荐为例说明了它们的价值。我们表明，NNM为基础的推荐系统满足三个标准，所有推荐系统应该理想地满足：高预测能力，计算的易处理性，和表达的用户和项目。在实践中，表达性的用户和项目表示对于简洁地总结客户池和项目池非常重要。在NNM中，用户表示是表达性的，因为每个用户的偏好可以被视为常规用户的偏好的归一化混合。项目和用户表示的可解释性允许我们安排项目的属性（例如，电影的类型或文档的主题）或用户（例如，人格特质）。
2015-11-15 cs.LG stat.ML
A Hybrid Approach to Enhance Pure Collaborative Filtering based on Content Feature Relationship
University of Tehran（德黑兰大学）；Sharif University of Technology（谢里夫理工大学）
推荐系统由于其在学术界和工业界的应用而得到越来越广泛的重视。随着额外的数据源和提取新信息的方法的发展，而不是客户对项目的评级历史，混合推荐算法，其中一些方法通常被组合以提高性能，已经变得普遍。在这项工作中，我们首先介绍了一种新的方法来提取内容特征之间的隐含关系，使用一种众所周知的方法从自然语言处理领域，即Word2Vec。与Word2Vec的典型用法不同，我们利用项目的一些特征作为句子的单词来产生神经特征嵌入，通过这些特征嵌入，我们可以计算特征之间的相似度。接下来，我们提出了一种新的基于内容的推荐系统，采用的关系，以确定向量表示的项目，项目之间的相似性可以计算（CRFSIM）。我们的评估结果表明，它可以预测的偏好，用户会为一组项目一样好，纯粹的协同过滤。将基于内容的协同过滤算法嵌入到基于项目的协同过滤算法中，解决了协同过滤算法的冷启动问题，提高了协同过滤的准确率。我们在基准电影数据集上的实验证实了所提出的方法提高了系统的准确性。
2020-05-17 cs.IR cs.LG
Regression and Learning to Rank Aggregation for User Engagement Evaluation
University of Tehran（德黑兰大学）
用户参与度是指实例的交互量（例如，tweet，news，and forum论坛post帖子）achieved实现.基于用户参与的数量对社交媒体网站中的项目进行排名，可以用于不同的应用，例如推荐系统。在本文中，我们将包含电影评级的推文视为实例，并专注于基于参与度对每个用户的实例进行排名，即，它将获得的转发和收藏的总数。对于这项任务，我们定义了几个功能，可以从每个推文的元数据中提取。这些功能分为三类：基于用户的，基于电影的和基于推文的。我们表明，为了获得良好的结果，应考虑所有类别的功能。我们利用回归和学习排序的方法来排名的推文，并提出了聚合的回归和学习排序方法的结果，以实现更好的性能。我们已经在ACM RecSys Challenge 2014提供的MovieTweet数据集的扩展版本上运行了我们的实验。结果表明，学习排序方法优于大多数回归模型，组合可以显着提高性能。
2015-01-29 cs.IR cs.LG
A Counterfactual Approach for Addressing Individual User Unfairness in Collaborative Recommender System
本文提出一种双阶段方法，通过反事实引入新交互来识别和缓解个体用户不公平性，提升用户与物品的参与度，验证了方法在MovieLens-100K和Amazon Beauty等数据集上的有效性。
2026-02-24 cs.CY cs.IR cs.LG
Balancing Accuracy and Diversity in Recommendations using Matrix Completion Framework
设计推荐系统的目的是实现高的预测精度是一个广泛的研究领域。然而，一些研究表明，需要多样化的建议，具有可接受的准确性水平，以避免单调和改善客户体验。然而，增加多样性伴随着推荐准确性的相关降低;因此需要在两者之间进行最佳权衡。在这项工作中，我们试图实现准确性与多样性的平衡，利用可用的评级和项目元数据，通过一个单一的，联合优化模型建立在矩阵完成框架。大多数现有的作品，不像我们的配方，提出了一个2阶段的模型，一个启发式的项目排名计划的顶部现有的协同过滤技术。电影推荐系统上的实验评估表明，我们的模型实现了更高的多样性，为一个给定的准确率下降相比，现有的最先进的技术。
2019-12-11 cs.IR cs.LG
Collaborative Filtering with Information-Rich and Information-Sparse Entities
Arizona State University（亚利桑那州立大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
在本文中，我们考虑一个流行的模型，协同过滤推荐系统中，一些用户的网站率的一些项目，如电影，和目标是恢复的评级的一些或所有的未评级的项目的每个用户。特别是，我们认为这两个聚类模型，只有用户（或项目）的聚类，和共同聚类模型，其中用户和项目的聚类，进一步，我们假设，一些用户率许多项目（信息丰富的用户）和一些用户率只有少数项目（信息稀疏的用户）。当用户（或项目）被聚类时，我们的算法可以恢复具有$ω(MK \log M)$噪声条目的评分矩阵，而$MK$条目是必要的，其中$K$是聚类的数量，$M$是项目的数量。在联合聚类的情况下，我们证明了$K^2$条目是必要的恢复评级矩阵，我们的算法达到这个下限内的对数因子时，$K$是足够大的。我们将我们的算法与一种称为交替最小化（AM）的著名算法以及一种基于相似性分数的算法进行比较，该算法被称为朋友间流行度（PAF）算法，将这三种算法应用于MovieLens和Netflix数据集。我们的联合聚类算法和AM在恢复评级矩阵时具有相似的总体错误率，两者都低于PAF下的错误率。但更重要的是，在推荐系统感兴趣的场景中，我们的联合聚类算法的错误率显着低于AM和PAF：当向每个用户推荐几个项目时，或者当向只评价几个项目的用户推荐项目时（这些用户是总用户人口的大多数）。当噪声被添加到数据集时，性能差异甚至会增加更多。
2014-03-06 cs.IT cs.LG math.IT
Generation Meets Recommendation: Proposing Novel Items for Groups of Users
National University of Singapore（新加坡国立大学）
考虑一个电影制片厂，它的目标是制作一套夏季上映的新电影：它应该制作什么类型的电影？电影会吸引谁？它应该拍多少部电影？各种组织都遇到了类似的问题，例如，移动电话制造商和在线杂志，他们必须创造新的（不存在的）项目，以满足不同偏好的用户群体。在本文中，我们提出了一个联合问题的形式化这些相互关联的问题，并提出生成方法，同时解决这些问题。具体来说，我们利用通过训练深度生成模型-变分自编码器（VAE）-获得的潜在空间，通过一个损失函数，该函数包含评级性能和项目重建项。然后，我们应用一个贪婪的搜索算法，利用这个学习的潜在空间，共同获得K个合理的新项目，和用户组，会发现项目的吸引力。在合成数据集上对我们的方法进行的评估表明，我们的方法能够生成类似于高度期望的未观察到的项目的新项目。作为对真实世界数据的案例研究，我们将我们的方法应用于MART抽象艺术和Movielens Tag Genome数据集，这产生了有希望的结果：小而多样的新项目集。
2018-08-02 cs.IR cs.LG stat.ML
I know why you like this movie: Interpretable Efficient Multimodal Recommender
Synerise（Synerise公司）；Warsaw University of Technology（华沙理工大学）
最近，有效流形密度估计（EMDE）模型已经被引入。该模型利用局部敏感哈希和计数最小草图算法，将它们与神经网络相结合，以在多个推荐数据集上实现最先进的结果。然而，该模型为每个用户/会话摄取所有输入项的压缩联合表示，因此通过基于梯度的方法计算单独项的属性似乎不适用。我们证明，解释这个模型在白盒设置是可能的，由于EMDE项目检索方法的属性。通过利用该模型的多模态灵活性，我们获得了有意义的结果，显示了多模态的影响：文本，分类特征，和图像，对电影推荐输出。
2020-06-09 cs.IR cs.LG
Estimating Probabilities in Recommendation Systems
Georgia Institute of Technology（佐治亚理工学院）；Lawrence Livermore National Lab（劳伦斯利弗莫尔国家实验室）
推荐系统正在成为一个重要的商业应用，具有重大的经济影响。目前流行的系统包括亚马逊的图书推荐，Netflix的电影推荐和Pandora的音乐推荐。在本文中，我们解决的问题，估计概率与推荐系统数据使用非参数核平滑。在我们的估计中，我们将缺失项解释为随机截尾观测，并利用生成函数的组合性质获得有效的计算方案。我们展示了我们的方法与几个案例研究，涉及现实世界的电影推荐数据。结果是与国家的最先进的技术，同时也提供了传统的推荐系统的范围之外的概率偏好估计。
2010-12-02 cs.LG
A Latent Source Model for Online Collaborative Filtering
Massachusetts Institute of Technology（麻省理工学院）
尽管协同过滤在推荐系统中很流行，但关于它为什么以及如何工作的理论发展很少，特别是在“在线”设置中，随着时间的推移，项目被推荐给用户。我们通过引入一个在线推荐系统的模型来解决这个理论上的差距，将模型下的项目推荐作为一个学习问题，并分析了余弦相似性协同过滤方法的性能。在我们的模型中，每个$n$用户喜欢或不喜欢每个$m$项目。我们假设存在$k$类型的用户，并且给定类型的所有用户共享确定喜欢每个项目的机会的公共概率串。在每个时间步，我们向每个用户推荐一个物品，其中与相关的强盗文献的关键区别在于，一旦用户消费了一个物品（例如，观看电影），则该项目不能被再次推荐给同一用户。我们的目标是随着时间的推移最大限度地增加推荐给用户的喜欢的项目的数量。我们的主要研究结果表明，经过近$\log(km)$初始学习时间步，一个简单的协同过滤算法实现了基本上最优的性能，而不知道$k$。该算法有一个开发步骤，使用余弦相似性和两种类型的探索步骤，一个是探索项目的空间（标准的文献），另一个是探索用户之间的相似性（新的这项工作）。
2014-10-31 cs.IR cs.LG stat.ML
Using Shortlists to Support Decision Making and Improve Recommender System Performance
Cornell University（康奈尔大学）；Microsoft Research（微软研究院）
在本文中，我们研究入围推荐系统的双重目标，支持用户的决策过程中，以及提高隐式反馈启发，以提高推荐质量的接口组件。入围名单是用户当前正在考虑的候选人的临时列表，例如，用户当前考虑观看的几部电影的列表。从认知的角度来看，入围名单作为数字短期记忆，用户可以卸载正在考虑的项目-从而减少他们的认知负荷。从机器学习的角度来看，将项目添加到候选列表会生成新的隐式反馈信号，作为探索和决策的副产品，这可以提高推荐质量。因此，入围为训练推荐系统提供了额外的数据，而不会增加要求明确反馈的认知负荷。我们使用电影推荐设置进行用户研究，以比较提供入围支持的界面和不提供入围支持的界面。从用户的研究，我们得出结论：（一）用户作出更好的决定与入围名单;（二）用户更喜欢一个界面与入围名单的支持;和（三）额外的隐式反馈会议与入围名单提高了近两倍的推荐质量。
2016-02-08 cs.HC cs.IR cs.LG
What Are We Optimizing For? A Human-centric Evaluation of Deep Learning-based Movie Recommenders
Grouplens Research, University of Minnesota（明尼苏达大学GroupLens研究组）；Institute for Data, Systems, and Society (IDSS), Massachusetts Institute of Technology（麻省理工学院数据、系统与社会研究所）；School of Computing, Clemson University（克莱姆森大学计算学院）
本文通过445名真实用户的调查评估四种深度学习电影推荐模型，发现其在多样性和用户满意度上弱于经典协同过滤，并提出以人为中心的设计与优化策略。
2024-05-01 cs.HC cs.IR cs.LG
VRConvMF: Visual Recurrent Convolutional Matrix Factorization for Movie Recommendation
China University of Petroleum（中国石油大学）；East China Jiaotong University（华东交通大学）；Federation University Australia（澳大利亚联邦大学）
用户对项目评分数据的稀疏性成为推荐系统面临的挑战之一，严重影响了推荐系统的性能。幸运的是，上下文感知推荐系统可以通过利用一些辅助信息，如用户和项目的信息来缓解稀疏性问题。特别是，项目的视觉信息，如电影海报，可以被认为是对项目描述文档的补充，这有助于获得更多的项目特征。本文针对电影推荐系统，提出了一种基于概率矩阵分解的视觉递归卷积矩阵分解（VRConvMF）推荐方案，该方案利用了从描述性文本和海报中分别提取的文本特征和多层次视觉特征。我们实现了所提出的VRConvMF，并在三个常用的真实世界数据集上进行了广泛的实验，以验证其有效性。实验结果表明，所提出的VRConvMF算法性能优于现有算法.
2022-02-16 cs.CV cs.IR cs.LG
Bridging Conversational and Collaborative Signals for Conversational Recommendation
University of California, San Diego（加利福尼亚大学圣迭戈分校）
针对对话推荐系统（CRS）缺乏协同过滤（CF）信号的问题，提出Reddit-ML32M数据集及基于LLM的框架，通过关联对话与交互数据优化推荐排序，命中率提升12.32%、NDCG提升9.9%。
2025-02-10 cs.AI cs.IR cs.LG
A Spectral Approach to Item Response Theory
University of Pennsylvania（宾夕法尼亚大学）
本文提出一种基于项目-项目图上马尔可夫链平稳分布的Rasch模型项目参数估计算法，首次给出有限样本误差保证，并通过实验验证其可扩展性、准确性和竞争力。
2023-10-29 cs.LG stat.ML
Tip of the Tongue Known-Item Retrieval: A Case Study in Movie Identification
虽然当前的信息检索系统对于已知项目的检索是有效的，其中检索器提供了被查找项目的精确名称或标识符，但是对于检索器不能表达精确名称或标识符的情况，系统往往不太有效。我们称之为舌尖（TOT）已知项目检索，以无法从记忆中检索项目的认知状态命名。以电影搜索为例，探讨了社区问答网站中TOT状态下搜索者提问的特征。我们分析了搜索如何表达他们的信息需求在TOT状态在电影领域。具体来说，搜索者记住了关于所搜索的项目的哪些信息，以及他们如何传达这些信息？我们的研究结果表明，搜索者使用以下信息的组合：（1）所搜索项目的内容，（2）他们以前与该项目接触的上下文，以及（3）以前使用其他资源（例如，搜索引擎）。此外，搜索者有时通过表达不确定性来传达信息（即，对冲），意见，情绪，并通过执行相对（相对于绝对）的比较项目的属性。作为我们的分析结果，我们认为，搜索TOT状态可能需要专门的查询理解方法或文档表示。最后，我们初步的检索实验显示的信息请求中的每种信息类型对检索性能的影响。
2021-01-18 cs.HC cs.IR
Movie Recommender Systems: Implementation and Performance Evaluation
多年来，亚马逊、Netflix、潘多拉等电子商务企业目录中的商品数量爆炸式增长，已经保证了推荐系统的开发，以基于消费者的偏好和品味将消费者引导到他们期望的产品。构建推荐系统，挖掘用户，导出输入数据集的一些流行方法是：基于内容的系统，协同过滤，使用奇异值分解（SVD）的潜在因素系统，和限制玻尔兹曼机（RBM）。在这个项目中，用户-用户协同过滤，项目-项目协同过滤，基于内容的推荐，奇异值分解，和神经网络被选择用于在Python中实现，以预测每个用户未观看的电影的用户评分，并评估和比较它们的性能。
2019-09-16 cs.IR
Network-based models for social recommender systems
Imperial College London（帝国理工学院）；Institució Catalana de Recerca i Estudis Avançats (ICREA)（加泰罗尼亚高等研究院）；Universitat Rovira i Virgili（罗维拉-维尔吉利大学）
随着近年来大量的在线产品，越来越需要为用户过滤和提供相关的个性化建议。推荐系统通过对电影、书籍或研究文章等各种各样的项目进行建模和预测来解决这个问题。在本章中，我们将探索严格的基于网络的模型，这些模型在推荐方面优于领先的方法。我们考虑的网络模型是基于这样一个明确的假设，即存在由个体和物品组成的群体，个体对物品的偏好只取决于他们的群体成员资格。可以通过不同的方法来实现对个体用户对项目的偏好的准确预测，例如蒙特卡罗采样或期望最大化方法，后者导致适用于大型数据集的可扩展算法。
2020-02-10 cond-mat.stat-mech cs.LG physics.data-an
Learning From Missing Data Using Selection Bias in Movie Recommendation
LTCI（法国巴黎电信学院图像处理与通信实验室）；CNRS（法国国家科学研究中心）；Télécom ParisTech（巴黎电信学院）；Université Paris-Saclay（巴黎萨克雷大学）
由于大量的信息缺失，向用户推荐商品是一项具有挑战性的任务。在许多情况下，数据仅由每个用户自愿提供的关于可用项目的非常有限的子集的评级或标签组成，因此实际上缺少大部分可能感兴趣的数据。目前的推荐方法通常假设未观测数据是随机随机缺失的。在这方面的贡献，我们提供了统计证据，现有的电影推荐数据集揭示了一个显着的正相关性之间的项目的评级和倾向，选择这些项目。我们提出了一种计算效率高的变分方法，使人们有可能利用这种选择偏差，以提高估计的收视率从小群体的用户。将这种方法应用于基于邻域的协同过滤所获得的结果说明了其提高推荐可靠性的潜力。
2015-09-30 cs.IR cs.LG cs.SI
A Re-visit of the Popularity Baseline in Recommender Systems
流行度通常包括在实验评估中，为推荐任务提供参考性能。为了了解流行度基线是如何定义和评估的，我们从顶级会议中抽取了12篇论文，包括KDD，WWW，SIGIR和RecSys，以及6个开源工具包。我们注意到，广泛采用的MostPop基线只是根据训练数据中的交互数量对项目进行排名。我们认为，目前的流行度评估（i）不反映流行的项目时，用户与系统进行交互，（ii）可能会建议用户的最后一次与系统交互后发布的项目。在广泛使用的MovieLens数据集上，我们表明，如果我们考虑用户与系统交互时的热门项目，则流行度的性能可以显著提高70%或更多。我们进一步表明，在MovieLens数据集上，对电影具有较低倾向的用户倾向于跟随人群并对更受欢迎的电影进行评级。喜欢给大量电影打分的电影爱好者会根据自己的喜好和兴趣给电影打分。通过本研究，我们呼吁重新审视推荐系统中的流行度基线，以更好地反映其有效性。
2020-06-02 cs.IR
Attentive Item2Vec: Neural Attentive User Representations
Microsoft（微软）；Bar-Ilan University（巴伊兰大学）；Technion（以色列理工学院）；Tel Aviv University（特拉维夫大学）
用于推荐系统的因子分解方法倾向于将用户表示为单个潜在向量。然而，用户行为和兴趣可以在呈现给用户的推荐的上下文中改变。例如，在电影推荐的情况下，较早的用户数据比较新的数据信息量更少通常是真的。然而，有可能某部早期电影在一部受欢迎的续集电影出现时突然变得更加相关。这仅仅是在存在潜在的新推荐的情况下各种可能的动态改变的用户兴趣的单个示例。在这项工作中，我们提出了注意的Item 2 vec（AI 2 V）-一个新的注意的版本的Item 2 vec（I2 V）。AI 2 V采用上下文-目标注意力机制，以便学习和捕获关于潜在推荐项（目标）的用户历史行为（上下文）的不同特征。注意上下文-目标机制使得能够实现最终的神经注意用户表示。我们在几个数据集上证明了AI 2 V的有效性，在这些数据集上，它的表现优于其他基线。
2020-04-19 cs.IR cs.LG stat.ML
A Matrix Decomposition Model Based on Feature Factors in Movie Recommendation System
本文提出UISVD++模型，将用户年龄和电影类型属性融入SVD++框架以丰富辅助信息，在Movielens数据集上验证了其评分预测精度优于基线方法，并能有效缓解冷启动问题。
2023-12-04 cs.IR cs.NA math.NA
TRSM-RS: A Movie Recommender System Based on Users' Gender and New Weighted Similarity Measure
随着互联网上数据的增长，推荐系统已经能够预测用户的偏好并提供相关的电影。协同过滤是这些系统中最流行的算法之一。协同过滤的主要目的是利用评分矩阵找到用户或相同的项目。通过增加用户和项目的数量，该算法遭受的可扩展性问题。另一方面，由于对于不同项目的大量用户偏好不可用，对于新用户或项目存在冷启动问题，这对系统性能具有显著影响。本文的目的是设计一个名为TRSM-RS的电影推荐系统，使用用户的人口统计信息（只是用户的性别）以及新的加权相似性度量。通过对用户进行性别分割，改善了系统的可扩展性问题;通过将用户相似性的可靠性作为新的相似性度量（Tanimoto Reliability Similarity Measure，TRSM）的权重，削弱了冷启动问题的影响，提高了系统的性能。在MovieLens数据集上进行了实验，并使用平均绝对误差（MAE），准确度，精确度和召回率指标对系统进行了评估。实验结果表明，与研究人员的其他研究方法相比，改进的性能（准确度和精度）和系统出错率。该系统对男性和女性的最大MAE改善率分别为5.5%和13.8%。
2020-11-10 cs.IR
What does BERT know about books, movies and music? Probing BERT for Conversational Recommendation
经过大量预训练的Transformer模型，如BERT，最近在语言建模方面表现出了非常强大的能力，在许多下游任务上都取得了令人印象深刻的结果。研究还表明，它们能够在预训练后将事实知识隐式地存储在它们的参数中。了解LM的预训练过程实际上学习了什么是使用和改进会话推荐系统（CRS）的关键步骤。我们首先研究了现成的预先训练的BERT对书籍、电影和音乐等推荐项目“知道”多少。为了分析存储在BERT的参数中的知识，我们使用了不同的探针，这些探针需要不同类型的知识来求解，即基于内容的和基于协作的。基于内容的知识是需要模型将项目的标题与其内容信息（如文本描述和流派）相匹配的知识。相比之下，基于协作的知识需要模型根据社区交互（如评级）将项目与相似项目进行匹配。我们借助BERT的Masked Language Modelling头来探测它对项目类型的知识，并使用完形填空风格提示。此外，我们采用BERT的Next Sentence Prediction头和表示的相似性来比较相关和不相关的搜索和推荐查询文档输入，以探索BERT是否可以在没有任何微调的情况下将相关项排在第一位。最后，我们研究了BERT在会话推荐下游任务中的表现。总的来说，我们的分析和实验表明：（i）BERT在其参数中存储了关于书籍、电影和音乐内容的知识;（ii）它具有更多基于内容的知识，而不是基于协作的知识;（iii）当面对对抗性数据时，…
2021-03-04 cs.IR
Knowledge-aware Neural Collective Matrix Factorization for Cross-domain Recommendation
University of Sheffield（谢菲尔德大学）；University of Bristol（布里斯托大学）；Amazon Inc.（亚马逊公司）；Google Inc.（谷歌公司）
跨领域推荐可以帮助用户在不同的领域中找到更满意的商品。现有的CDR模型主要使用公共用户或映射函数作为域之间的桥梁，但在充分利用跨域的额外知识方面的探索非常有限。在本文中，我们提出了将知识图谱（KG）的CDR，这使得在不同领域的项目共享知识。为此，我们首先从Freebase KG和Amazon Review Data的子集（两个域对：电影-音乐，电影-书籍）构建一个新的数据集AmazonKG 4CDR。这个新的数据集有助于将知识与CDR的域内和跨域项目联系起来。然后，我们提出了一个新的框架，KG感知神经集体矩阵分解（KG-NeuCMF），利用KG丰富项目表示。它首先通过图卷积自动编码器学习项目嵌入，以从KG中的相邻和高阶邻居中捕获特定领域和一般领域的知识。然后，我们最大化从KG和用户-项目矩阵中学习到的项目嵌入之间的互信息，以建立更好的CDR的跨域关系。最后，我们对新构建的数据集进行了广泛的实验，并证明我们的模型显著优于性能最佳的基线。
2022-06-27 cs.IR cs.LG
A movie genre prediction based on Multivariate Bernoulli model and genre correlations
Korea University of Technology and Education（韩国技术教育大学）
电影评级在确定潜在观众观看电影的可能性和反映当前观众对电影的满意度方面都起着重要作用。它们存在于电视指南、畅销参考书、报纸专栏和电视节目等多种来源中。此外，电影评级对于跟踪所有用户行为并利用这些信息来推荐他们可能喜欢的项目的推荐引擎至关重要。因此，在大多数情况下，电影评级提供的信息可能比电影特征数据更重要。直观地吸引人的是，关于电影类型中的观看偏好的信息足以预测未标记电影的类型。为了预测电影类型，我们把收视率作为一个特征向量，应用伯努利事件模型来估计电影给定类型的可能性，并使用贝叶斯规则评估给定电影类型的后验概率。所提出的技术的目标是有效地使用电影评级的任务，预测电影类型。在我们的方法中，我们试图回答这样一个问题：“给定观看电影的用户集，是否有可能根据其评级预测电影的类型？“我们对MovieLens 100k数据的模拟结果证明了我们提出的技术的效率和准确性，精确预测的预测率达到59%，包括相关类型时达到69%。
2016-03-25 cs.IR cs.LG
Our Model Achieves Excellent Performance on MovieLens: What Does it Mean?
Nanyang Technological University（南洋理工大学）
本文深入分析MovieLens数据集的交互生成机制，发现其平台阶段差异、内部算法影响及交互顺序等因素与真实场景存在差异，指出在该数据集上表现优异的模型未必在实际应用中同样有效，其结果不应作为评估推荐系统的唯一依据。
2024-03-24 cs.AI cs.IR
Using Mise-En-Scène Visual Features based on MPEG-7 and Deep Learning for Movie Recommendation
Politecnico di Milano（米兰理工大学）
项目特征在电影推荐系统中扮演着重要的角色，在电影推荐系统中，可以通过使用用户对传统特征（属性）（如标签、流派和演员）的显式或隐式偏好来生成推荐。通常，电影特征是人类生成的，或者编辑地（例如，类型和演员）或通过利用人群的智慧（例如，此外，这些特征对于新项目通常是罕见的或不存在的，使得难以甚至不可能提供高质量的推荐。在本文中，我们表明，用户对电影的偏好可以更好地描述在mise-en-scène功能，即，电影的表征设计、美学和风格的视觉方面（例如，颜色、纹理）。我们使用MPEG-7视觉描述符和深度学习隐藏层作为可以在视觉上描述电影的mise-en-scène特征的示例。有趣的是，mise-en-scène特征可以从视频文件甚至是预告片中自动计算出来，在处理新项目时提供了更大的灵活性，避免了昂贵且容易出错的人工标记，并提供了良好的可扩展性。我们对大量4K电影进行了一系列实验。结果表明，基于mise-en-scène特征的推荐始终提供最佳性能，相对于更丰富的传统特征集，如流派和标签。
2017-04-20 cs.CV cs.IR cs.MM
Tell Me the Good Stuff: User Preferences in Movie Recommendation Explanations
本文通过129名参与者的在线实验，比较了热门电影推荐中纯正面与含负面信息的解释风格，发现单面正面解释在信任、透明度、有效性和满意度上均更优，为低风险娱乐场景的解释设计提供了实践启示。
2025-05-06 cs.HC cs.IR
Explaining the Performance of Collaborative Filtering Methods With Optimal Data Characteristics
North Carolina A & T University（北卡罗来纳农工州立大学）
协同过滤（CF）方法的性能基于用户-项目评级矩阵（URM）的属性。并且URM的属性或评级数据特征（RDC）是不断变化的。最近的研究显著地解释了由于使用六个或更多RDC的URM的变化而导致的CF方法的性能的变化。在这里，我们发现，在不同的CF技术的性能变化的显着比例可以占到两个RDC。两个RDC是每个用户的评分数或每个用户的信息（IpU）和每个项目的评分数或每个项目的信息（IpI）。对于平方URM，CF算法的性能与IpU（或IpI）呈二次关系。这项研究的结果是基于七个成熟的CF方法和三个流行的公共推荐数据集：1 M MovieLens，25 M MovieLens和Yahoo！音乐评级数据集
2023-03-17 cs.IR cs.LG
Towards Evaluating User Profiling Methods Based on Explicit Ratings on Item Features
为了提高推荐的准确性，现在许多推荐系统使用用户评级矩阵之外的边信息，例如项目内容。这些系统建立用户简档作为用户对内容的兴趣的估计（例如，电影类型、导演或演员），然后作为整体评估推荐系统的性能，例如，通过他们向目标用户推荐相关和新颖项目的能力。用户简档建模阶段，这是一个关键的阶段，在内容驱动的RS几乎没有适当的评估，由于缺乏公开的数据集，包含用户的偏好的内容功能的项目。为了提高人们对这一事实的认识，我们研究了显式用户偏好和隐式用户简档之间的差异。我们创建了一个对电影内容特征的明确偏好的数据集，我们公开发布。然后，我们比较收集的显式用户功能偏好和隐式用户简档通过国家的最先进的用户分析模型。我们的研究结果表明，显式特征偏好和隐式用户简档之间的最大平均成对余弦相似度为58.07%，由最好的调查分析方法建模，只考虑电影的类型。对于演员和导演，最大相似度分别为9.13%和17.24%。这种显式和隐式偏好模型之间的低相似性鼓励更深入的研究，以调查和改进这一重要的用户简档建模步骤，这将最终转化为更好的推荐。
2019-08-29 cs.IR
Scalable Realistic Recommendation Datasets through Fractal Expansions
Google AI（谷歌人工智能）
推荐系统的研究目前受到学术数据集的大小和工业生产系统的规模之间的脱节。为了弥合这一差距，我们建议通过扩展预先存在的公共数据集来生成更大规模的用户/项目交互数据集。用户/项目关联矩阵将给定平台上的用户和项目之间的交互记录为一个大型稀疏矩阵，其行对应于用户，列对应于项目。我们的技术将这样的矩阵扩展到更大数量的行（用户），列（项目）和非零值（交互），同时保留关键的高阶统计特性。我们适应克罗内克图理论的用户/项目的关联矩阵，并显示相应的分形扩展保持用户参与，项目流行度和奇异值谱的用户/项目交互矩阵的厚尾分布。保留这些属性是构建大型真实合成数据集的关键，这些数据集又可以可靠地用于基准推荐系统和用于训练它们的系统。我们提供算法来产生这样的扩展，并将其应用于MovieLens 2000万数据集，其中包括138 K用户对27 K电影的2000万次评级。由此产生的扩展数据集在其较小的版本中有100亿个评级，864 K个项目和200万用户，并且可以扩大或缩小。一个更大的版本有6550亿的收视率，700万个项目和1700万用户。
2019-02-20 cs.IR cs.LG stat.ML
Online Interactive Collaborative Filtering Using Multi-Armed Bandit with Dependent Arms
Florida International University（佛罗里达国际大学）；IBM T.J. Watson Research Center（IBM托马斯·J·沃森研究中心）；St. John’s University（圣约翰大学）
在线交互式推荐系统努力迅速地向消费者建议适当的项目（例如，电影、新闻文章），包括消费者和项目内容信息。然而，这样的上下文信息在实践中通常对于推荐是不可用的，其中仅可以利用用户关于项目的交互数据。此外，交互记录的缺乏，特别是对于新用户和项目，进一步影响了推荐的性能。为了解决这些问题，在在线交互式推荐设置中采用了仅依赖于交互数据的推荐技术之一的协同过滤（CF）以及能够实现开发和探索之间的平衡的在线多臂强盗机制，通过假设独立项目（即，武器）。尽管如此，该假设在现实中很少成立，因为现实世界的项目往往彼此相关（例如，有两篇类似的文章）。在本文中，我们研究在线交互式协同过滤问题，考虑项目之间的依赖关系。我们明确制定的项目依赖性的武器，在一个单一的集群内的武器共享类似的潜在主题的集群。根据主题建模技术，我们提出了一个生成模型，从他们的底层主题生成项目。此外，一个有效的在线算法的基础上粒子学习的推断我们的模型的潜在参数和状态。此外，我们推断的模型可以自然地集成与现有的多臂选择策略在在线互动协作设置。两个现实世界的应用，电影和新闻的在线推荐的实证研究，证明了所提出的方法的有效性和效率。
2017-08-11 cs.IR cs.LG
Zero-Shot Next-Item Recommendation using Large Pretrained Language Models
Singapore Management University（新加坡管理大学）
本研究提出零样本下一项推荐（NIR）提示策略，通过3步提示引导GPT-3生成候选项目并推荐排名列表，在MovieLens 100K上实现强零样本性能，超越部分全量训练的序列推荐模型。
2023-04-06 cs.CL cs.IR
Cooperative Retriever and Ranker in Deep Recommenders
University of Science and Technology of China（中国科学技术大学）；University of Electronic Science and Technology of China（电子科技大学）；Microsoft Research Asia（微软亚洲研究院）
深度推荐系统（DRS）在现代Web服务中得到了广泛的应用。为了处理海量的Web内容，DRS采用了两个阶段的工作流程：检索和排名，以产生其推荐结果。检索器的目标是从整个项目中选择一个小的相关候选人的高效率，而排名，通常更精确，但耗时，应该进一步细化检索到的候选人的最佳项目。传统上，这两个组件要么独立训练，要么在简单的级联管道中训练，这容易导致协作效果不佳。虽然最近的一些研究提出了联合训练检索者和排序者的方法，但仍存在许多严重的局限性：训练和推理之间的项目分布偏移、假阴性和排序顺序不一致。因此，它仍然是探索有效的合作之间的寻回和排名。
2023-03-29 cs.IR cs.LG
Book Readership During Movie Releases: An Exploratory Analysis
Drexel University（德雷塞尔大学）；Sapienza University of Rome（罗马第一大学）
该研究利用Goodreads数据集匹配电影上映日期，发现电影上映前后书籍阅读量有明显峰值，并评估现有推荐模型对电影改编书籍的排名情况，探索外部事件对推荐系统物品相关性的影响。
2026-09-01 cs.IR
Regularizing Matrix Factorization with User and Item Embeddings for Recommendation
Worcester Polytechnic Institute（伍斯特理工学院）；Penn State University（宾夕法尼亚州立大学）
在最近成功地利用潜在因素和词嵌入模型在推荐中，我们提出了一种新的正则化多嵌入（RME）的推荐模型，同时封装了以下想法通过分解：（1）用户喜欢哪些项目，（2）哪两个用户共同喜欢相同的项目，（3）哪两个项目用户经常共同喜欢，以及（4）用户通常共同不喜欢哪两个项目。在实验验证中，RME在显式和隐式反馈数据集上都优于竞争最先进的模型，显著提高Recall@5 5.9~ 7.0%，NDCG@20 4.3~ 5.6%，MAP@10 7.9~ 8.9%。此外，在交互次数最少的用户的冷启动场景下，与竞争模型相比，RME在MovieLens-10 M和MovieLens-20 M数据集中的表现分别优于NDCG@5 20.2%和29.4%。我们的数据集和源代码可以在https://github.com/thanhdtran/RME.git上找到。
2018-08-31 cs.AI cs.IR
RAPS: A Recommender Algorithm Based on Pattern Structures
National Research University Higher School of Economics（国立研究型大学高等经济学院）
本文提出了一种基于模式结构的数字评分推荐算法（RAPS）。作为输入，该算法采用评级矩阵，例如，使得其包含由用户评级的电影。对于目标用户，该算法根据其先前的评级和其他用户的评级返回项目（电影）的评级列表。我们比较了所提出的算法的精度和召回措施与斜率一，最先进的基于项目的算法之一，电影镜头数据集和RAPS表现出最好的或可比的质量方面的结果。
2015-07-20 cs.AI cs.DM cs.IR
Do LLMs Memorize Recommendation Datasets? A Preliminary Study on MovieLens-1M
Politecnico di Bari（巴里理工大学）
该研究针对GPT、Llama两类不同规模的大语言模型，围绕MovieLens-1M数据集探究其记忆情况，定义了记忆的衡量维度，分析了记忆对推荐性能的影响及模型间差异，发现模型均存在一定记忆且与性能相关，同时公开了代码。
2025-05-15 cs.AI cs.IR
Multi-Linear Interactive Matrix Factorization
信息时代以来，推荐系统作为一种能够帮助用户找到感兴趣的信息的系统，越来越受到科学界和应用界的关注。最广泛应用的推荐方法之一是矩阵分解（MF）。然而，大多数基于MF的方法关注于用户-项目评分矩阵，而忽略了可能对用户项目偏好有重要影响的因素。在本文中，我们提出了一个多线性交互MF算法（MLIMF）的用户和每个事件与他们的最终决定之间的交互建模。我们的模型不仅考虑了用户-项目评分信息，而且考虑了基于一些经验支持的因素的成对交互。此外，我们提出的模型与其他三个典型的方法：基于用户的协同过滤（UCF），基于项目的协同过滤（ICF）和正则化MF（RMF）进行了比较。在\emph{MovieLens} 1 M和\emph{MovieLens} 100 k两个真实数据集上的实验结果表明，该方法在推荐准确率上明显优于其他三种方法。这项工作可能会揭示一些深入了解建模用户在线行为和随之而来的决策。
2015-05-18 cs.IR
